สรุปสั้น
บริษัท Cisco Foundation AI เปิดตัว Antares โมเดลภาษาขนาดเล็ก (Small Language Model — SLM) ที่ออกแบบมาเฉพาะสำหรับงานที่ถือว่ายากและมีต้นทุนสูงที่สุดงานหนึ่งด้านความปลอดภัย นั่นคือการชี้ตำแหน่งว่าช่องโหว่ที่รู้จักแล้วซ่อนอยู่ตรงไหนในซอร์สโค้ดของโครงการ โดยตระกูล Antares ประกอบด้วยสองรุ่นคือ Antares-350M และ Antares-1B ทั้งคู่เป็นโมเดลแบบ open-weight ที่เปิดให้ดาวน์โหลดได้บน Hugging Face จุดเด่นที่ Cisco ชูขึ้นมาคือการแก้ปัญหาที่ทีมความปลอดภัยต้องเลือกอย่างใดอย่างหนึ่งมาตลอด ระหว่างโมเดล LLM เชิงพาณิชย์ขนาดใหญ่ที่แม่นยำแต่แพงมากและอาจส่งโค้ดออกนอกองค์กรไม่ได้ กับโมเดล open-weight ทั่วไปที่ถูกกว่าแต่ให้ผลบวกลวง (false positive) สูงจนต้องเสียเวลาตามตรวจ
Antares ถูกวางให้เป็นทางสายกลางคือ open-weight ที่คงข้อมูลไว้ในองค์กรได้ตามข้อกำหนด data sovereignty แต่ทำงานเฉพาะทางเพื่อให้ทั้งต้นทุนต่ำและผลบวกลวงต่ำไปพร้อมกัน เป้าหมายหลักคือช่วยทีมที่มีทรัพยากรจำกัด เช่น มหาวิทยาลัย สถาบันวิจัย องค์กรไม่แสวงหากำไร และทีมภาครัฐที่ยังต้องดูแลซอฟต์แวร์สำคัญ จากการทดสอบด้วยเบนช์มาร์กใหม่ที่ Cisco สร้างขึ้นเอง Antares ทำงานได้เร็วกว่าและมีต้นทุนต่ำกว่าคู่แข่งอย่างมาก โดยถูกกว่าโมเดล LLM ถึง 172 เท่า และถูกกว่าโมเดล open-weight ทั่วไป 15.2 เท่า Cisco ยืนยันว่า Antares ไม่ได้มาแทนที่วิจารณญาณของผู้เชี่ยวชาญ แต่ช่วยงานในขั้นแรกของการคัดกรองช่องโหว่ในซอร์สโค้ดเท่านั้น
รายละเอียดข่าว
เว็บไซต์ SecurityWeek รายงานเมื่อวันที่ 21 กรกฎาคม 2569 ว่า บริษัท Cisco Foundation AI ได้ประกาศเปิดตัว Antares โมเดลภาษาขนาดเล็กที่ตั้งชื่อตามดาวที่สว่างที่สุดในกลุ่มดาวแมงป่อง (Scorpius) โดยเปรียบเปรยว่าเช่นเดียวกับที่ดาว Antares สว่างเพราะเป็นดาวคู่ ตระกูล Antares ของ Cisco ในตอนนี้ก็มีสองโมเดลคือ Antares-350M และ Antares-1B ที่เปิดให้ใช้งานแบบ open-weight บน Hugging Face
Cisco อธิบายว่าเมื่อมีการค้นพบช่องโหว่ใหม่ ทีมความปลอดภัยต้องสืบว่าโค้ดของบริษัทตนเองมีช่องโหว่นั้นหรือไม่ และถ้ามีอยู่ตรงไหน ซึ่งเป็นงานที่ยากและปัจจุบันพึ่งพา AI ช่วยได้ดีที่สุด แต่ทางเลือก AI หลักสองแบบต่างก็มีปัญหาของตัวเอง แบบแรกคือการสมัครใช้โมเดล LLM เชิงพาณิชย์ขนาดใหญ่ ซึ่งค่าใช้จ่ายพุ่งสูงอย่างรวดเร็วเมื่อพิจารณาปริมาณช่องโหว่ใหม่จำนวนมหาศาลที่ถูกค้นพบ และอาจใช้ไม่ได้เลยหากซอร์สโค้ดอยู่ภายใต้กฎ data sovereignty ที่ห้ามส่งข้อมูลออกนอกองค์กร ส่วนแบบที่สองคือการดาวน์โหลดโมเดลภาษาทั่วไปแบบ open-weight ที่แม้จะคุมข้อมูลไว้ในองค์กรได้ แต่มักให้ผลบวกลวงในระดับสูงกว่ามาก
ทำให้องค์กรต้องเลือกระหว่างต้นทุนสูงกับผลบวกลวงต่ำ หรือต้นทุนต่ำกับผลบวกลวงสูง Antares จึงถูกออกแบบมาให้เป็น open-weight แต่เป็น SLM เฉพาะทางเพื่อค้นหาช่องโหว่ที่รู้จักแล้วในซอร์สโค้ด กล่าวคือได้ทั้งต้นทุนต่ำและผลบวกลวงต่ำในขณะที่ยังคงรักษา data sovereignty เอาไว้ Antares มุ่งเป้าไปที่องค์กรที่มีทรัพยากรความปลอดภัยจำกัดเป็นหลัก ทั้งมหาวิทยาลัย สถาบันวิจัย องค์กรไม่แสวงหากำไร และทีมภาครัฐที่ยังต้องดูแลซอฟต์แวร์สำคัญ นาย Amin Saberi ศาสตราจารย์ด้านวิทยาการจัดการและวิศวกรรมจากมหาวิทยาลัย Stanford ให้ความเห็นว่า “ความปลอดภัยไม่ควรเป็นสินค้าฟุ่มเฟือย” และผลลัพธ์ของ Antares เปลี่ยนสมการนี้ด้วยการให้ความแม่นยำใกล้เคียงระดับ frontier บนการวิเคราะห์โค้ดปลอดภัยในต้นทุนเพียงเศษเสี้ยว เร็วพอที่จะรันได้ทุก commit
การทำงานและผลทดสอบ
การประมวลผลของ Antares เลียนแบบวิธีที่นักสืบสวนที่เป็นมนุษย์ไล่ตรวจโครงการซอร์สโค้ด โดย Cisco อธิบายว่า “แต่ละโมเดลเริ่มจากคำอธิบายช่องโหว่ ค้นหารูปแบบโค้ดที่เกี่ยวข้อง อ่านไฟล์ที่เป็นตัวเลือก นำหลักฐานใหม่มาประกอบ เปลี่ยนทิศทางเมื่อเส้นทางที่เดินอยู่ไม่เป็นประโยชน์ และค่อย ๆ แคบวงลงไปยังไฟล์ที่มีโอกาสสำคัญที่สุด” ผลลัพธ์ที่ได้คือรายการไฟล์ซอร์สโค้ดที่จัดอันดับตามความน่าจะเป็นว่ามีช่องโหว่ที่เกี่ยวข้อง ซึ่งทีมความปลอดภัยนำไปเริ่มกระบวนการคัดกรองต่อได้
เพื่อพิสูจน์ประสิทธิภาพ Cisco ยังปล่อยเบนช์มาร์กใหม่ชื่อ Vulnerability Localization Benchmark ที่มี 500 รายการ ซึ่งต้องการให้โมเดลนำทางในซอร์สโค้ดที่ไม่คุ้นเคยได้อย่างมีประสิทธิภาพและจดจำรูปแบบช่องโหว่ที่เชื่อมโยงกับหมวด CWE ที่เจาะจงไปพร้อมกัน จากการทดสอบด้วยเบนช์มาร์กนี้ Cisco เปรียบเทียบ Antares กับโมเดล LLM เชิงพาณิชย์ชั้นนำ (GPT-5.5 ของ OpenAI) และโมเดล open-weight ชั้นนำ (GLM-5.2 ของ Z.ai) แล้วพบว่า Antares ทำงานได้เสร็จเร็วกว่าในต้นทุนที่ต่ำกว่า โดยถูกกว่า LLM 172 เท่า และถูกกว่า GLM 15.2 เท่า Cisco ระบุว่าแนวทางของบริษัทคือการช่วยชุมชนสร้างรากฐานที่ยั่งยืนกว่าเดิมสำหรับการป้องกันที่ใช้ AI ช่วย ทั้งข้อกำหนดแบบเปิด องค์ความรู้ด้านความปลอดภัยที่นำกลับมาใช้ซ้ำได้ โมเดลขนาดกะทัดรัดที่นำไปติดตั้งได้จริง และเบนช์มาร์กที่วัดความคืบหน้าได้
ผลกระทบต่อไทย
แม้ Antares จะเป็นเครื่องมือของผู้พัฒนาต่างประเทศ แต่แนวทาง open-weight ต้นทุนต่ำที่คงข้อมูลไว้ในองค์กรมีความสำคัญโดยตรงต่อหน่วยงานไทยที่มีข้อจำกัดด้านงบประมาณและต้องปฏิบัติตามกฎการคุ้มครองข้อมูล เช่น พ.ร.บ.คุ้มครองข้อมูลส่วนบุคคล (PDPA) หรือข้อกำหนดที่ห้ามส่งซอร์สโค้ดของระบบราชการออกไปประมวลผลบนคลาวด์ต่างประเทศ มหาวิทยาลัย หน่วยงานรัฐ และองค์กรไม่แสวงหากำไรของไทยที่ยังต้องดูแลซอฟต์แวร์สำคัญด้วยทีมเล็ก จะได้ประโยชน์จากโมเดลที่รันบนเครื่องภายในองค์กรได้โดยไม่ต้องจ่ายค่าบริการ AI ระดับ frontier ที่แพง อย่างไรก็ตาม ผู้ดูแลระบบไทยควรตระหนักว่า Antares ทำหน้าที่ชี้ตำแหน่งช่องโหว่ที่ “รู้จักแล้ว” ในขั้นคัดกรองต้นเท่านั้น ไม่ได้แทนที่การตรวจสอบเชิงลึกหรือวิจารณญาณของผู้เชี่ยวชาญ
คำแนะนำ
ทีมความปลอดภัยที่สนใจควรทดลอง Antares-350M หรือ Antares-1B จาก Hugging Face ในสภาพแวดล้อมทดสอบภายในองค์กรก่อน เพื่อประเมินอัตราผลบวกลวงกับซอร์สโค้ดจริงของตนเอง โดยใช้ผลลัพธ์เป็นรายการไฟล์จัดอันดับสำหรับเริ่มการคัดกรอง ไม่ใช่ข้อสรุปสุดท้าย ควรรัน Antares ในสภาพแวดล้อมที่คุมข้อมูลได้เพื่อรักษา data sovereignty และต้องยืนยันผลด้วยการทบทวนโดยผู้เชี่ยวชาญเสมอ นอกจากนี้องค์กรควรวางเครื่องมือประเภทนี้ให้เป็นส่วนหนึ่งของกระบวนการตรวจสอบทุก commit ควบคู่กับการอัปเดตฐานข้อมูลช่องโหว่และการทำ threat intelligence อย่างต่อเนื่อง เพื่อให้การสแกนความปลอดภัยทำงานได้ตลอดเวลาแม้ทรัพยากรจำกัด